轻轨项目分项工程投资风险评价模型设计 ——基于BP神经网络的投资风险分析

计算机工程与应用 ›› 2008, Vol. 44 ›› Issue (1): 219-221.

轻轨项目分项工程投资风险评价模型设计
——基于BP神经网络的投资风险分析

王树强,陈立文

河北工业大学管理学院，天津 300130

收稿日期:1900-01-01 修回日期:1900-01-01 出版日期:2008-01-01 发布日期:2008-01-01
通讯作者: 王树强

Design of investment risk valuation model on subentry project of light track construction——investment risk analysis based on BP neural net

WANG Shu-qiang,CHEN Li-wen

School of Management，Hebei University of Technology，Tianjin 300130，China

Received:1900-01-01 Revised:1900-01-01 Online:2008-01-01 Published:2008-01-01
Contact: WANG Shu-qiang

摘要/Abstract

摘要： 以津滨轻轨一期工程的问卷调研数据为基础结合该工程及其它相似工程的投资统计数据，估计了各分项工程成本超支百分比分布及其特定风险因素诱发的成本超支百分比分布，利用BP神经网络原理，以路基工程为例构建了分项工程的投资风险BP神经网络评估种子模型，为二期工程及其它欲建的城市轨道工程的投资风险评估提供了有效的定量评估依据，为样本扩充后成熟评估模型的构建提供了升级模板。

关键词: 分项工程, BP神经网络, 二维输入向量, 种子模型

Abstract: The questionnaire survey cost datum from the first part of the Jin-Bin Light Track project and the statistic cost datum from this project and projects alike were processed to estimate the percents distribution of cost overspending on the subentry project and this kind of distribution caused by each risk factor.BP Neural Net Valuation Seed Model on the investment risk was constructed when the roadbed project was taken as an example with the neural net theory.It was helpful to valuate the investment risk of the second part project of the Jin-Bin Light Track and other city track projects which would begin as a effective quantified valuation model.It also prepared a promotion template for advanced valuation model with sufficient training sample.

Key words: subentry project, BP neural net, two dimension input variable, seed model

王树强,陈立文. 轻轨项目分项工程投资风险评价模型设计
——基于BP神经网络的投资风险分析
[J]. 计算机工程与应用, 2008, 44(1): 219-221.

WANG Shu-qiang,CHEN Li-wen. Design of investment risk valuation model on subentry project of light track construction——investment risk analysis based on BP neural net[J]. Computer Engineering and Applications, 2008, 44(1): 219-221.

[1]	郑建锋，王应明. 基于DEA-BP神经网络的效率置信区间预测模型研究[J]. 计算机工程与应用, 2021, 57(3): 273-278.
[2]	黄晶晶，王建宏. 分数阶非因果BP神经网络模型[J]. 计算机工程与应用, 2021, 57(23): 91-97.
[3]	曹林根，宓超. 集装箱箱号字符识别算法研究[J]. 计算机工程与应用, 2021, 57(15): 178-185.
[4]	楚彭子，虞翊，林辉，袁建军，姜西. ATO系统速度控制的BP-FIPID算法[J]. 计算机工程与应用, 2020, 56(22): 224-229.
[5]	冯玉芳1，2，卢厚清1，殷宏1，曹林1. 基于BP神经网络的故障诊断模型研究[J]. 计算机工程与应用, 2019, 55(6): 24-30.
[6]	邓烜堃1，2，万良1，2，黄娜娜1，2. 基于DAE-BP神经网络的股票预测研究[J]. 计算机工程与应用, 2019, 55(3): 126-132.
[7]	王勇，杨锦，王瑛. 改进Henon超混沌系统与AES结合的图像加密算法[J]. 计算机工程与应用, 2019, 55(22): 180-186.
[8]	顾婷婷，刘新会，桑庆兵，李朝锋. 基于双树复小波的无参考立体图像质量评价[J]. 计算机工程与应用, 2019, 55(2): 154-161.
[9]	杨霞，朱晓冬，刘元宁，冯家凯，刘帅. 分块小波特征结合BP神经网络的虹膜识别方法[J]. 计算机工程与应用, 2019, 55(18): 132-139.
[10]	卞京红1，贺兴时1，范钦伟1，伊宝民2. 基于自适应花授粉算法的BP神经网络结构优化[J]. 计算机工程与应用, 2018, 54(3): 50-56.
[11]	赵亚飞，韦广梅. 基于BP神经网络的有限元应力修匀的研究[J]. 计算机工程与应用, 2018, 54(13): 67-72.
[12]	韦鹏宇1，2，4，潘福成1，2，3，李帅3. 改进人工蜂群优化BP神经网络的分类研究[J]. 计算机工程与应用, 2018, 54(10): 158-163.
[13]	刘裕国，王浩，姚宏亮，李俊照. 水平窗口能量计算的股市趋势预测算法[J]. 计算机工程与应用, 2017, 53(21): 225-232.
[14]	周静1，赵鲁阳1，罗炬锋1，2. 基于时域特征提取的围栏入侵模式分类方法[J]. 计算机工程与应用, 2017, 53(21): 98-102.
[15]	刘颖，王楠. 最大熵模型和BP神经网络的短句对齐比较[J]. 计算机工程与应用, 2015, 51(7): 112-117.